Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
通过矩阵加权线性估计量融合观测与干预数据估计因果效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究混杂下融合观测与干预数据的因果效应估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过矩阵加权线性估计量融合观测与干预数据估计因果效应
- 研究问题
- 在存在混杂的多维处理线性回归中，如何融合观测数据与干预数据，提高因果效应估计效率并避免直接合并产生的偏差？
- 方法与思路
- 作者构造矩阵加权线性估计量，组合两类数据产生的估计结果，分析期望平方误差与渐近偏差，并用合成数据比较。
- 材料陈述的贡献
- 摘要称所提方法渐近无偏且可改善效率；在混杂较强、观测数据占比较高的模拟中，表现优于 Stein 型估计量等基准。
- 阅读关注点
- 应核对矩阵权重的构造、混杂线性模型的假设、两类样本的渐近安排，以及效率结论与模拟比较的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明完整模型条件或改善数值，渐近无偏不代表有限样本无偏。
原文摘要
We study causal effect estimation from a mixture of observational and interventional data in a confounded linear regression model with multivariate treatments. We show that the statistical efficiency in terms of expected squared error can be improved by combining estimators arising from both the observational and interventional setting. To this end, we derive methods based on matrix weighted linear estimators and prove that our methods are asymptotically unbiased in the infinite sample limit. This is an important improvement compared to the pooled estimator using the union of interventional and observational data, for which the bias only vanishes if the ratio of observational to interventional data tends to zero. Studies on synthetic data confirm our theoretical findings. In settings where confounding is substantial and the ratio of observational to interventional data is large, our estimators outperform a Stein-type estimator and various other baselines.